论文部分内容阅读
对自然场景中高视觉显著度区域的提取和识别一直是计算机视觉、图像理解中的研究热点,在目标识别、基于内容的多媒体信息检索等领域,也具有广泛的应用价值。传统的区域边缘提取主要有两类,即基于Bottom-up的图像分割方法和基于Top-down的图像分割方法。Bottom-up的分割方法可以标出图像中色彩或灰度变化剧烈的“边缘”,但是对“噪声点”敏感,并且没有充分考虑到人眼视觉注意力选择机制的指导,因此Bottom-up方法容易导致目标区域“过分割”、“错分割”的问题。Top-down可以较好的分割出目标区域信息,但是需要先验信息指导,当面对较复杂的自然场景时就显得力不从心。如何在自然场景中准确提取显著性区域的位置与边缘信息是本文的研究点。为了解决上述问题,本文首先提出了一种无监督抠图模型,然后基于该模型对图像显著性区域进行提取。根据不同场景中前景目标特征实现对高显著性区域目标边缘的准确提取,降低图像分割中对“噪声点”的敏感度,减小对先验指导信息的依赖,具有较好的鲁棒性。本文的主要工作如下：(1)根据视觉概率统计模型提取场景中视觉显著度较高的前景目标SIFT特征点与显著度较低的背景SIFT特征点,提供训练集数据并实现前景目标SVM分类器。(2)为实现显著性区域提取,利用抠图对自然场景图像的显著性区域进行提取。针对基于学习的数字抠图算法,研究了Trimap在该算法中的特性,得出了Unsup-Trimap的理论依据。(3)根据Unsup-Trimap理论依据设计一种Unsup-Trimap生成算法,该算法的设计主要包括目标区域粗定位和无监督区域填充两部分,并通过实验证明了本文Unsup-Trimap在显著性区域提取中的合理性。基于以上研究结论,设计了自然场景中显著性区域提取方法。(4)设计显著性区域识别与提取系统,将本文基于无监督抠图模型的显著性区域提取算法应用其中,展示了该系统良好的运行效果。